<![CDATA[Pertumbuhan pesat platform digital seperti YouTube telah menghasilkan volume besar umpan balik pengguna yang tidak terstruktur, menghadirkan tantangan signifikan bagi analisis manual akibat prevalensi bahasa informal dan ketidakseimbangan kelas yang ekstrem dalam distribusi sentimen. Penelitian ini menjawab masalah tersebut dengan mengembangkan sistem klasifikasi sentimen yang tangguh untuk komentar YouTube berbahasa Indonesia dalam domain edukasi otomotif, memanfaatkan model transformer pra-latih IndoBERT untuk menangani variabilitas linguistik dan disparitas data secara efektif. Metodologi penelitian menerapkan model IndoBERT-base yang telah melalui proses fine-tuning pada dataset berlabel sebanyak 8.858 komentar, yang diintegrasikan dengan pipeline pra-pemrosesan komprehensif untuk normalisasi kata tidak baku serta strategi Random Over Sampling (ROS) guna memitigasi bias terhadap kelas mayoritas. Temuan eksperimental menunjukkan bahwa model yang diusulkan mampu mencapai akurasi keseluruhan yang signifikan sebesar 77,8%, dengan perolehan F1-score spesifik sebesar 0,84 untuk sentimen positif, 0,73 untuk netral, dan 0,72 untuk negatif, mengungguli metode baseline konvensional secara substansial. Secara khusus, penerapan teknik ROS terbukti berhasil meningkatkan tingkat recall untuk kelas negatif yang merupakan minoritas dari 45% menjadi 68%, memastikan sensitivitas yang lebih baik terhadap umpan balik kritis. Disimpulkan bahwa integrasi IndoBERT dengan teknik optimasi data yang tepat menawarkan solusi yang andal untuk menganalisis opini publik di media sosial, membuktikan bahwa arsitektur berbasis transformer mampu mengatasi kompleksitas data bahasa yang tidak seimbang untuk memberikan wawasan strategis bagi pembuat konten.]]>
